本课程为精品课，您可以登录eeworld继续观看： Regularized Linear Regression继续观看 课时1：Welcome 课时2：What is Machine Learning 课时3：Supervised Learning 课时4：Unsupervised Learning 课时5：Model Representation 课时6：Cost Function 课时7：Cost Function - Intuition I 课时8：Cost Function - Intuition II 课时9：Gradient Descent 课时10：Gradient Descent Intuition 课时11：Gradient Descent For Linear Regression 课时12：What-'s Next 课时13：Matrices and Vectors 课时14：Addition and Scalar Multiplication 课时15：Matrix Vector Multiplication 课时16：Matrix Matrix Multiplication 课时17：Matrix Multiplication Properties 课时18：Inverse and Transpose 课时19：Multiple Features 课时20：Gradient Descent for Multiple Variables 课时21：Gradient Descent in Practice I - Feature Scaling 课时22：Gradient Descent in Practice II - Learning Rate 课时23：Features and Polynomial Regression 课时24：Normal Equation 课时25：Normal Equation Noninvertibility (Optional) 课时26：Basic Operations 课时27：Moving Data Around 课时28：Computing on Data 课时29：Plotting Data 课时30：Control Statements- for, while, if statements 课时31：Vectorization 课时32：Working on and Submitting Programming Exercises 课时33：Classification 课时34：Hypothesis Representation 课时35：Decision Boundary 课时36：Cost Function 课时37：Simplified Cost Function and Gradient Descent 课时38：Advanced Optimization 课时39：Multiclass Classification- One-vs-all 课时40：The Problem of Overfitting 课时41：Cost Function 课时42：Regularized Linear Regression 课时43：Regularized Logistic Regression 课时44：Non-linear Hypotheses 课时45：Neurons and the Brain 课时46：Model Representation I 课时47：Model Representation II 课时48：Examples and Intuitions I 课时49：Examples and Intuitions II 课时50：Multiclass Classification 课时51：Cost Function 课时52：Backpropagation Algorithm 课时53：Backpropagation Intuition 课时54：Implementation Note- Unrolling Parameters 课时55：Gradient Checking 课时56：Random Initialization 课时57：Putting It Together 课时58：Autonomous Driving 课时59：Deciding What to Try Next 课时60：Evaluating a Hypothesis 课时61：Model Selection and Train-Validation-Test Sets 课时62：Diagnosing Bias vs. Variance 课时63：Regularization and Bias-Variance 课时64：Learning Curves 课时65：Deciding What to Do Next Revisited 课时66：Prioritizing What to Work On 课时67：Error Analysis 课时68：Error Metrics for Skewed Classes 课时69：Trading Off Precision and Recall 课时70：Data For Machine Learning 课时71：Optimization Objective 课时72：Large Margin Intuition 课时73：Mathematics Behind Large Margin Classification (Optional) 课时74：Kernels I 课时75：Kernels II 课时76：Using An SVM 课时77：Unsupervised Learning- Introduction 课时78：K-Means Algorithm 课时79：Optimization Objective 课时80：Random Initialization 课时81：Choosing the Number of Clusters 课时82：Motivation I- Data Compression 课时83：Motivation II- Visualization 课时84：Principal Component Analysis Problem Formulation 课时85：Principal Component Analysis Algorithm 课时86：Choosing the Number of Principal Components 课时87：Reconstruction from Compressed Representation 课时88：Advice for Applying PCA 课时89：Problem Motivation 课时90：Gaussian Distribution 课时91：Algorithm 课时92：Developing and Evaluating an Anomaly Detection System 课时93：Anomaly Detection vs. Supervised Learning 课时94：Choosing What Features to Use 课时95：Multivariate Gaussian Distribution (Optional) 课时96：Anomaly Detection using the Multivariate Gaussian Distribution (Optional) 课时97：Problem Formulation 课时98：Content Based Recommendations 课时99：Collaborative Filtering 课时100：Collaborative Filtering Algorithm 课时101：Vectorization- Low Rank Matrix Factorization 课时102：Implementational Detail- Mean Normalization 课时103：Learning With Large Datasets 课时104：Stochastic Gradient Descent 课时105：Mini-Batch Gradient Descent 课时106：Stochastic Gradient Descent Convergence 课时107：Online Learning 课时108：Map Reduce and Data Parallelism 课时109：Problem Description and Pipeline 课时110：Sliding Windows 课时111：Getting Lots of Data and Artificial Data 课时112：Ceiling Analysis- What Part of the Pipeline to Work on Next 课时113：Summary and Thank You 课程介绍共计113课时，19小时28分58秒 机器学习 吴恩达 此课程将广泛介绍机器学习、数据挖掘与统计模式识别的知识。主题包括：(i) 监督学习（参数/非参数算法、支持向量机、内核、神经网络）。(ii) 非监督学习（聚类、降维、推荐系统、深度学习）。(iii) 机器学习的优秀案例（偏差/方差理论；机器学习和人工智能的创新过程）课程将拮取案例研究与应用，学习如何将学习算法应用到智能机器人（观感，控制）、文字理解（网页搜索，防垃圾邮件）、计算机视觉、医学信息学、音频、数据挖掘及其他领域上。 上传者：老白菜 正在载入数据,请稍等... 猜你喜欢 直播回放: Nexperia 安世半导体 针对车联网应用的高效ESD解决方案 直播回放：ADI新一代高阻抗输入SAR ADC的优势与应用 MPLAB® XC8 C编译器的架构特性 WCS-CC2530ZigBee+Light+Link开发套件演示 最新的ARM技术以及嵌入式发展动态 (下) 瑞萨电子H8S2、28x汽车仪表板解決方案 TI 新能源汽车电池管理系统解决方案 电源管理设计贴士 热门下载 期刊论文：基于CCD技术的电机换向片检测系统 基于单片机和射频芯片实现的短距离无线数据传输系统 MTK RF部分 修原理 基于粗糙集的属性约简算法 AT91 ARM在医疗行业中的应用pdf 大学生电子设计竞赛资料信号处理篇 Cadence Allegro SPB V16.5视频 开发环境是FPGA开发工具 24V防雷设计 Genesis常见错误及其解决方法 热门帖子 能否用铜导线替代补偿导线 补偿导线yunrun.com.cn/product/242.html常有网友询问“能否用铜导线替代热电偶补偿导线”的问题，本帖给大家正确答案:不能用铜导线来代替补偿导线，否则将会产生较大测量误差!用铜导线来连接热电偶和显示仪表，这样做并没有把热电偶的参比端得到延长，参比端仍然在热电偶的接线盒处。用铜导线替代补偿导线会产生测量误差用铜导线替代补偿导线会产生什么影响呢?看以下例子:一支K型热电偶，用铜导线来连接热电偶和显示仪表，如果测量点温度为500℃，现场参比温度 yunrun-com-cn 【2017以拆会友】——拆析电吹风 【2017以拆会友】——拆析电吹风电吹风是大家最常用的家庭电器之一，这次拆解并分析一款电吹风的构造及其工作原理，以及一些常见故障。一、原理先附上一个简易的常见的电吹风原理图：↓由上面的原理图可以看出，这款电吹风有两个档位以及凉风热风功能，1、电源输入为220V交流电；2、R1为大功率的电热丝作为主要热源输出；3、R2为小功率的电热丝同时作为电机的限流电阻；4、吹风电机由VD1~VD4组成的桥式整流电路供电；5、K2在档位I时，VD5提供半波整流，电 我不懂 DSP2812寄存器详解 名称地址占用地址空间（16bit）描述EVAGPTCONA0x74001通用定时器全局控制寄存器AT1CNT0x74011定时器1T1CMPR0x74021定时器1T1PR0x74031定时器1T1CON0x74041定时器1T2CNT0x74051定时器2T2CMPR0x74061 fish001 音视频两种传输方式比较 音视频传输无非分两种：一是利用HDMI等线材来传输，二是借助无线影音传输器以无线的方式把远端播放设备上的内容传输到电视或者投影机上。这两种方式孰优孰劣?人们各执一词。经过对比体验后，百宝城影音得到了答案。 首先，和大家一起了解一下有线传输。有线传输介质是指在两个通信设备之间实现的物理连接部分，它将信号从播放设备传输到显示设备上。连接方法大家都知道，用HDMI或者VGA等线材把蓝光机(电脑)和电视(投影机)连接起来。 而无线传输方式和上面有着很大的区别，无线传输不需要布线，它传输的介 Jacktang 加速寿命、加速退化试验设计与数据分析问题 加速寿命、加速退化试验是解决高可靠、长寿命产品的可靠性问题的重要手段。目前，加速寿命、加速退化试验已经广泛应用于通讯、电子、能源、电力、汽车等工艺部门，以及航天、航空、兵器、舰船等装备上，甚至有一些企业开展了加速试验以替代部分检验、鉴定试验，由此带来了明显的经济效益。例如，惠普、福特等知名企业相继应用加速寿命试验进行新产品的可靠性增长试验；美国波音公司1994年就开始在777飞机研制过程中采用了加速寿命试验方法；美国航天工业采用加速寿命试验进行了卫星整星和导弹舱段试验；美国空军ROME试验 lynnyong 同步整流可改善反激式电源的交叉调整率 当选择一个可从单电源产生多输出的系统拓扑时，反激式电源的英文一个明智的选择。由于每个变压器绕组上的电压与该绕组中的匝数成比例，因此可以通过匝数来轻松设置每个输出电压。在理想情况下，如果调节其中一个输出电压，则所有其他输出将按照匝数进行缩放，并保持稳定。然而，在现实情况中，寄生元件会共同降低未调节输出的负载调整。在本电源小贴士中，我将进一步探讨寄生电感的影响，以及如何使用同步整流代替二极管来大幅提高反激式电源的交叉调整率。例如，一个反激式电源可分别从一个48V输入产生两个1所述的12V 王达业 网友正在看 FPGA开发软件QuartusII使用实例三 Shell命令的组合运用 Linux IIC驱动实验-Linux IIC驱动编写之驱动框架搭建(下) 电机控制基本架构 2.6物联网平台简介 RKNN模型转换流程 实战 Kaggle 比赛：图像分类（CIFAR-10） 如何快速放大、缩小和拖动原理图工作区？
